Fugu-MT 論文翻訳(概要): Large Language Models for Mobility in Transportation Systems: A Survey on Forecasting Tasks

論文の概要: Large Language Models for Mobility in Transportation Systems: A Survey on Forecasting Tasks

arxiv url: http://arxiv.org/abs/2405.02357v1
Date: Fri, 3 May 2024 02:54:43 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 20:19:44.931272
Title: Large Language Models for Mobility in Transportation Systems: A Survey on Forecasting Tasks
Title（参考訳）: 交通システムにおけるモビリティのための大規模言語モデル:予測課題に関する調査
Authors: Zijian Zhang, Yujie Sun, Zepu Wang, Yuqi Nie, Xiaobo Ma, Peng Sun, Ruolin Li,
Abstract要約: 機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。大規模言語モデル (LLMs) の出現に伴い、多くの研究者がこれらのモデルと過去の手法を組み合わせ、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用した。
参考スコア（独自算出の注目度）: 8.548422411704218
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Mobility analysis is a crucial element in the research area of transportation systems. Forecasting traffic information offers a viable solution to address the conflict between increasing transportation demands and the limitations of transportation infrastructure. Predicting human travel is significant in aiding various transportation and urban management tasks, such as taxi dispatch and urban planning. Machine learning and deep learning methods are favored for their flexibility and accuracy. Nowadays, with the advent of large language models (LLMs), many researchers have combined these models with previous techniques or applied LLMs to directly predict future traffic information and human travel behaviors. However, there is a lack of comprehensive studies on how LLMs can contribute to this field. This survey explores existing approaches using LLMs for mobility forecasting problems. We provide a literature review concerning the forecasting applications within transportation systems, elucidating how researchers utilize LLMs, showcasing recent state-of-the-art advancements, and identifying the challenges that must be overcome to fully leverage LLMs in this domain.
Abstract（参考訳）: モビリティ分析は交通システムの研究領域において重要な要素である。交通情報の予測は、交通需要の増加と交通インフラの限界の間の対立に対処するための有効な解決策を提供する。タクシーの発送や都市計画など様々な交通・都市管理業務において,人的移動の予測が重要である。機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。現在、大規模言語モデル(LLM)の出現に伴い、多くの研究者がこれらのモデルを以前の手法と組み合わせたり、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用したりしてきた。しかし、LLMがこの分野にどのように貢献するかに関する包括的な研究は乏しい。本研究では,移動予測問題に対するLCMを用いた既存手法について検討する。本稿では,交通システムにおける予測の適用状況について文献レビューを行い,研究者がLLMをどのように活用しているかを解明し,最近の技術進歩を示すとともに,この領域でLLMを完全に活用するために克服すべき課題を特定する。

関連論文リスト

Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文参考訳（メタデータ） (2024-10-28T09:19:29Z)
Advancing Object Detection in Transportation with Multimodal Large Language Models (MLLMs): A Comprehensive Review and Empirical Testing [4.79071544824946]
本研究の目的は,多モード大言語モデル (MLLM) と大規模視覚モデル (VLM) の交通システムにおけるオブジェクト検出への応用を総合的に検証し,実証的に評価することである。
論文参考訳（メタデータ） (2024-09-26T20:58:11Z)
Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
論文参考訳（メタデータ） (2024-09-24T04:14:33Z)
Using Large Language Models in Public Transit Systems, San Antonio as a case study [1.7740414468805545]
本研究ではサンアントニオの公共交通システムにおける大規模言語モデルの影響について検討する。この研究は、ルート計画の強化、待ち時間削減、パーソナライズされた旅行支援の提供におけるLLMの変革の可能性を強調している。
論文参考訳（メタデータ） (2024-06-25T16:32:56Z)
TransportationGames: Benchmarking Transportation Knowledge of (Multimodal) Large Language Models [46.862519898969325]
TransportationGamesは(M)LLMを評価するための評価ベンチマークである。各種(M)LLMの性能を記憶し,理解し,選択したタスクによる交通知識の適用において検証する。
論文参考訳（メタデータ） (2024-01-09T10:20:29Z)
Evaluation of Large Language Models for Decision Making in Autonomous Driving [4.271294502084542]
自律走行にLarge Language Models (LLMs)を使用する一つの戦略は、周囲のオブジェクトを LLM にテキストプロンプトとして入力することである。このような目的のためにLLMを使用する場合、空間認識や計画などの能力は不可欠である。本研究は、自律運転の文脈におけるLLMの2つの能力について定量的に評価した。
論文参考訳（メタデータ） (2023-12-11T12:56:40Z)
Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文参考訳（メタデータ） (2023-11-28T03:13:09Z)
LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文参考訳（メタデータ） (2023-11-02T07:23:33Z)
Where Would I Go Next? Large Language Models as Human Mobility Predictors [21.100313868232995]
人間の移動データを解析するためのLLMの言語理解と推論能力を活用する新しい手法 LLM-Mob を提案する。本手法の総合評価により,LLM-Mobは正確かつ解釈可能な予測を行うのに優れていることが明らかとなった。
論文参考訳（メタデータ） (2023-08-29T10:24:23Z)
On the Risk of Misinformation Pollution with Large Language Models [127.1107824751703]
本稿では,現代大規模言語モデル (LLM) の誤用の可能性について検討する。本研究は, LLMが効果的な誤情報発生器として機能し, DOQAシステムの性能が著しく低下することを明らかにする。
論文参考訳（メタデータ） (2023-05-23T04:10:26Z)
Mobility prediction Based on Machine Learning Algorithms [7.078487870739008]
本稿では,移動予測技術の現状を紹介する。そこで我々は,現実的な交通日付学習のためのSVMアルゴリズムとMLアルゴリズムを選択した。最後に,移動性予測のシミュレーション結果を分析し,移動性予測をモバイル通信改善に応用する今後の作業計画を提案する。
論文参考訳（メタデータ） (2021-11-12T13:49:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。